Klasifikasi Citra Ikan Menggunakan Adaptif Learning Rate Pada Metode Transfer Learning

Suhana, Rizka and Wayan Firdaus M, S.Si., M.T., Ph.D. and Agung Setia B, S.T., M.T., Ph.D. (2021) Klasifikasi Citra Ikan Menggunakan Adaptif Learning Rate Pada Metode Transfer Learning. Magister thesis, Universitas Brawijaya.

Abstract

Karagaman jenis ikan pada ekosistem terumbu karang menjadi salah satu indikasi dalam penentuan kesehatan di ekosistem terumbu karang. Satu usaha yang terbaik untuk melestarikan ekosistem terumbu karang yaitu konservasi perairan. Banyak para pakar di Balai Badan Penelitian dan Pengembangan Perikanan dan Kelautan sering melakukan klasifikasi citra ikan dengan cara manual. Pada pakar melakukan proses klasifikasi tidak efektif karena terlalu membutuhkan waktu lama dan terdapat kesalahan dalam memprediksi jenis ikan dengan perkembangan zaman sekarang bisa menggunakan teknologi yang mutakhir. Teknik handal dalam melakukan klasifikasi citra yaitu Convolutional Neural Network (CNN). Seiring waktu berjalan tentu banyak orang menginginkan pembelajaran yang cepat dan pemecahan masalah baru dengan lebih cepat dan lebih baik, sehinga munculah transfer learning, yang mengadopsi bagian dari CNN yaitu convolution layer yang telah dimodifikasi. Mengamati kebutuhan para pakar dibidang konservasi kelautan, sehingga peneliti memutuskan untuk menyelesaikan permasalahan ini dengan menggunakan arsitektur dari CNN yaitu pretrained model dari Mobilenet V2. Pemilihan arsitektur pretrained model dari Mobilenet V2 ini handal dan mampu menyelesaikan permasalahan pada klasifikasi citra ikan karena selebelumnya arsitektur dari Mobilenet V2 telah dilatih dengan 1000 jenis gambar dari ImageNet. Selain itu dari penelitian yang dilakukan oleh peneliti arsitektur ini ringan karena proses komputasi tidak terlalu banyak menggunakan resource memory pada saat melatih data citra, sehingga kedepannya bisa diaplikasikan kedalam alat elektronik atau alat embeded lainnya. Pada data citra penelitian yang digunakan sebesar 49.281 data dengan berbagai ukuran dan terdapat 18 jenis ikan. Citra masuk kedalam proses transformasi (random rotation, random resize crop, random horizontal flip) pada data latih dan uji sehingga bisa menghasilkan data yang bervariasi. Data citra setelah melalui proses transformasi, kemudian data citra tersebut masuk kedalam proses pelatihan dengan menggunakan arsitektur Mobilenet V2. Pengujian dengan model arsitektur Mobilenet V2 didapatkan accuracy score sebesar 99,54%, model ini handal dalam klasifikasi citra ikan.

English Abstract

The diversity of fish species in coral reef ecosystems is one of the indications in determining health in coral reef ecosystems. One of the best efforts to preserve coral reef ecosystems is water conservation. Many experts at the Indonesian Fisheries and Marine Research and Development Agency often classify fish images manually. Experts carry out the classification process ineffective because it takes too long and there are errors in predicting the type of fish with today's developments, using the latest technology. A reliable technique in performing image classification is Convolutional Neural Network (CNN). As time goes by, of course, many people want fast learning and solving new problems faster and better, so transfer learning appears, which adopts part of CNN, namely the modified convolution layer. Observing the needs of experts in the field of marine conservation, so the researchers decided to solve this problem by using the architecture of CNN, namely the pretrained model of Mobilenet V2. The choice of pretrained model architecture from Mobilenet V2 is reliable and able to solve problems in the classification of fish images because previously the architecture of Mobilenet V2 has been trained with 1000 types of images from ImageNet. In addition, the research conducted by architectural researchers is light because the computational process does not use too much memory resources when training image data, so that in the future it can be applied to electronic devices or other embedded devices. The research image data used is 49,281 data of various sizes and there are 18 types of fish. The image is entered into the transformation process (random rotation, random resize crop, random horizontal flip) on the training and test data so that it can produce varied data. The image data after going through the transformation process, then the image data is entered into the training process using the Mobilenet V2 architecture. Testing the Mobilenet V2 architectural model obtained an accuracy score of 99.54%, this model is reliable in classifying fish images.

Item Type:	Thesis (Magister)
Identification Number:	0421150001
Uncontrolled Keywords:	ikan, klasifikasi citra, cnn, transfer learning, mobilenet v2
Subjects:	000 Computer science, information and general works > 004 Computer science
Divisions:	Fakultas Ilmu Administrasi > Ilmu Perpustakaan
Depositing User:	Budi Wahyono Wahyono
Date Deposited:	12 Jan 2022 07:32
Last Modified:	25 Feb 2022 01:35
URI:	http://repository.ub.ac.id/id/eprint/188270

Text (DALAM MASA EMBARGO) Rizka Suhana.pdf Restricted to Registered users only until 31 December 2023. Download (4MB)

Actions (login required)

View Item